Visualizzazione della Varianza Spiegata e dei Carichi dei Componenti
Dopo aver adattato la PCA, è importante comprendere quanta informazione (varianza) viene catturata da ciascun componente principale. Il rapporto di varianza spiegata fornisce questa informazione. È inoltre possibile esaminare i carichi dei componenti per vedere come le caratteristiche originali contribuiscono a ciascun componente principale.
1234567891011121314151617181920212223242526272829303132333435import numpy as np import pandas as pd from sklearn.datasets import load_iris from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA import matplotlib.pyplot as plt import seaborn as sns # Load the Iris dataset data = load_iris() X = data.data feature_names = data.feature_names # Standardize features (important for PCA) scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # Apply PCA to reduce to 2 components pca = PCA(n_components=2) X_pca = pca.fit_transform(X_scaled) # Plot explained variance ratio plt.figure(figsize=(6,4)) plt.bar(range(1, len(pca.explained_variance_ratio_)+1), pca.explained_variance_ratio_, alpha=0.7) plt.ylabel('Explained Variance Ratio') plt.xlabel('Principal Component') plt.title('Explained Variance by Principal Components') plt.show() # Display component loadings as a heatmap loadings = pd.DataFrame(pca.components_.T, columns=['PC1', 'PC2'], index=feature_names) plt.figure(figsize=(6,4)) sns.heatmap(loadings, annot=True, cmap='coolwarm') plt.title('Principal Component Loadings') plt.show()
Il grafico a barre mostra la proporzione di varianza spiegata da ciascun componente principale. La mappa di calore visualizza i carichi, che indicano quanto ogni caratteristica originale contribuisce a ciascun componente principale. Valori assoluti elevati indicano che una caratteristica è importante per quel componente.
Grazie per i tuoi commenti!
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
Fantastico!
Completion tasso migliorato a 8.33Visualizzazione della Varianza Spiegata e dei Carichi dei Componenti
Scorri per mostrare il menu
Dopo aver adattato la PCA, è importante comprendere quanta informazione (varianza) viene catturata da ciascun componente principale. Il rapporto di varianza spiegata fornisce questa informazione. È inoltre possibile esaminare i carichi dei componenti per vedere come le caratteristiche originali contribuiscono a ciascun componente principale.
1234567891011121314151617181920212223242526272829303132333435import numpy as np import pandas as pd from sklearn.datasets import load_iris from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA import matplotlib.pyplot as plt import seaborn as sns # Load the Iris dataset data = load_iris() X = data.data feature_names = data.feature_names # Standardize features (important for PCA) scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # Apply PCA to reduce to 2 components pca = PCA(n_components=2) X_pca = pca.fit_transform(X_scaled) # Plot explained variance ratio plt.figure(figsize=(6,4)) plt.bar(range(1, len(pca.explained_variance_ratio_)+1), pca.explained_variance_ratio_, alpha=0.7) plt.ylabel('Explained Variance Ratio') plt.xlabel('Principal Component') plt.title('Explained Variance by Principal Components') plt.show() # Display component loadings as a heatmap loadings = pd.DataFrame(pca.components_.T, columns=['PC1', 'PC2'], index=feature_names) plt.figure(figsize=(6,4)) sns.heatmap(loadings, annot=True, cmap='coolwarm') plt.title('Principal Component Loadings') plt.show()
Il grafico a barre mostra la proporzione di varianza spiegata da ciascun componente principale. La mappa di calore visualizza i carichi, che indicano quanto ogni caratteristica originale contribuisce a ciascun componente principale. Valori assoluti elevati indicano che una caratteristica è importante per quel componente.
Grazie per i tuoi commenti!
